A análise de redes sociais permite estudar a maneira como são estabelecidas as conexões entre indivíduos e como estas evoluem ao longo do tempo. A coautoria é uma das formas mais estudadas e bem documentadas de colaboração científica. Existem muitos aspectos de redes de colaboração científica, os quais podem ser rastreados de forma confiável através da análise de redes de colaboração usando métodos bibliométricos. Diversos esforços em diferentes áreas de pesquisa tentam analisar, entender, explicar e predizer o comportamento de sistemas modelados através de redes sociais. Nestes estudos, os indivíduos são modelados como vértices de um grafo, enquanto as relações entre eles são representadas por arestas. Atualmente, o estudo de redes de colaboração científica é importante e necessário para apoiar o planejamento estratégico, implementação e gestão dos programas de pesquisa científica. Neste trabalho, apresentamos um modelo de análise de redes científicas baseado em Grafos Relacionais com Atributos (ARG). O modelo proposto permite representar as redes de colaboração científica incluindo atributos individuais dos pesquisadores e atributos dos trabalhos colaborativos de pares de pesquisadores. Os dados correspondem às produções científicas de pesquisadores cadastrados na plataforma Lattes e extraídas automaticamente usando a ferramenta scriptLattes. Na primeira etapa, foi implementado o cálculo automatizado da taxa de internacionalização de cada pesquisador, a qual mostra a proporção entre o número de publicações internacionais e o número total de publicações. Esta medida junto com a produção científica individual discretizada em diversos grupos fazem parte das informações armazenadas nos vetores de atributos dos vértice dos ARGs. Por outro lado os vetores de atributos das arestas armazenam informações dos trabalhos colaborativos discretizados segundo a classificação da CAPES. Adicionalmente, neste trabalho foram exploradas duas aplicações relacionadas à (i) predição de trabalhos colaborativos futuros e à (ii) influência dos pesquisadores na rede de colaboração. O resultado da predição de vínculos foi usado para determinar a influência dos pesquisadores na redes de colaboração. A influência tem sido explorada com base na variação da predição de ligações com a presença ou a ausência do pesquisador na rede. Nossa proposta foi avaliada considerando diferentes testes sobre redes de coautoria científica de diversos grupos de pesquisadores. Os resultados obtidos são promissores para a análise de redes sociais em geral. / The social network analysis allows the study of how the relationships are established between individuals and how their are evolving with the time. The co-authorship is one of the most studied and documented scientific collaboration. There are some aspects which could be traced in a reliable way through the social network analysis using bibliometric methods. There are several proposals in different research areas trying to analyse, understand, explain and predict the behaviour of systems modeled as social networks. In this study, the individuals are modeled as vertices of a graph, while the relationships between them are represented by edges. Currently the study of scientific collaboration networks is important and necessary to support the strategic planning, implementation and management of scientific research programs. In this work, we present an scientific networks analysis model based on Attributed Relational Graphs (ARG). The proposed model allows to represent the scientific collaboration networks including individual attributes of researchers and attributes of the collaborative work of researchers pairs. The data correspond to the scientific production of researchers, registered in the Lattes Platform and automatically extracted using the tool scriptLattes \\citep{Mena-Chalco:2009}. In the first step, was implemented the automated computation of the internationalization rate for each researcher, that shows the ratio between the number of international publications and the total number of publications. This measure together with the individual scientific production discretized in diverse groups form part of the information stored in the vertices of the ARGs. On the other hand, the edges store information of collaborative work discretized according to the CAPES classification. Additionally, this work explores two related applications (i) prediction of future collaborative work and (ii) influence of researchers in collaboration network. The result of the link prediction was used to determine the influence of researchers in collaborative networks. The influence in collaboration network is computed based on the variation of the link prediction with the presence or absence of the researcher in the network. Our proposal was evaluated with different real scientific co-authorship networks and with different research groups. The results obtained look promising for analyzing social networks in general.

Esta tese de doutorado aborda os tópicos de modelagem e de reconhecimento de objetos estruturados, ou sistemas estruturados de objetos, em imagens. Um objeto ou sistema estruturado é aquele que pode ser descrito através de elementos primitivos que o compõem e pelas relações existentes entre esses elementos. Por exemplo, uma aeronave pode ser descrita pelos seguintes elementos primitivos: asas direita e esquerda, fuselagem e cockpit. O aspecto relacional de um objeto estruturado direciona sua representação computacional e seu reconhecimento em imagens ao paradigma estrutural de reconhecimento de padrões. Contudo, a variabilidade das características dos seus elementos primitivos é melhor representada através do paradigma estatístico de reconhecimento de padrões. Devido à complementaridade dos paradigmas, a conjunção dessas abordagens é um tema de pesquisa de interesse atual. Para conjugar esses dois aspectos, esta tese propôs uma metodologia que combina o conhecimento a priori das relações que caracterizam um objeto estruturado com dados estatísticos coletados de amostras desse objeto, num modelo híbrido denominado grafo estatístico-relacional (GER). Segundo essa representação, foi estudada uma abordagem probabilística para reconhecer um objeto estruturado em imagens. Nesse cenário, o GER modelo é considerado uma variável aleatória, enquanto uma rotulação de uma imagem de entrada é interpretada como uma potencial observação do modelo. A tarefa de reconhecimento foi então formulada como um problema de otimização, que busca maximizar a probabilidade da observação de acordo com o modelo. O método foi aplicado à modelagem de órgãos abdominais em imagens de ressonância magnética não-contrastadas. Esses órgãos apresentam um arranjo espacial consistente em imagens distintas, além de propriedades de aparência e anatômicas variáveis, o que vem ao encontro da proposta da representação por GER e da abordagem probabilística para o reconhecimento dos órgãos em novas imagens. / The purpose of this thesis was to propose a formalism for the problems of modeling and recognition of a structured object, or a system of structured objects, in images. A structured object is one that may be described in terms of its compound primitive elements and their inherent relations. For instance, an aircraft may be described in terms of the following primitives: right and left wings, fuselage, and cockpit. The relational aspect of structured objects leads these problems to solutions in structural pattern recognition, which describes patterns as primitives and relations. Nevertheless, the variability of primitive elements and of their relations is better modeled by traditional statistical pattern recognition methods. Because of the complementary capabilities of these approaches, the fusion of both has recently been pointed out as a trend in computer vision. To consider these sources of information, the methodology presented herein combines relational cues inherent to a structured object with statistical information learned from a set of object samples. A hybrid model of a structured object is represented by means of a statistical relational graph (SRG). The SRG is a prototype attributed relational graph (ARG) in which nodes represent primitive elements and arcs link nodes representing related primitives. Each node or arc is associated with attributes which are parameters of probability distributions that describe random variables representing primitive or relational attributes. Based on this representation, a probabilistic approach was proposed to tackle the problem of recognizing a structured object in an input image. The model SRG is interpreted as a random variable, whereas a labeling of the input image is considered a potential observation of the model. The recognition task was formulated as the optimization of an objective-function that is actually a probability measure to be maximized. The proposed approach was applied to the modeling of abdominal organs in non-contrasted magnetic resonance images. These organs present consistent spatial arrangement in distinct images, as well as varying appearance and anatomical properties, which meet the principle of the SRG representation and the associated probabilistic recognition scenario.

A análise de redes sociais permite estudar a maneira como são estabelecidas as conexões entre indivíduos e como estas evoluem ao longo do tempo. A coautoria é uma das formas mais estudadas e bem documentadas de colaboração científica. Existem muitos aspectos de redes de colaboração científica, os quais podem ser rastreados de forma confiável através da análise de redes de colaboração usando métodos bibliométricos. Diversos esforços em diferentes áreas de pesquisa tentam analisar, entender, explicar e predizer o comportamento de sistemas modelados através de redes sociais. Nestes estudos, os indivíduos são modelados como vértices de um grafo, enquanto as relações entre eles são representadas por arestas. Atualmente, o estudo de redes de colaboração científica é importante e necessário para apoiar o planejamento estratégico, implementação e gestão dos programas de pesquisa científica. Neste trabalho, apresentamos um modelo de análise de redes científicas baseado em Grafos Relacionais com Atributos (ARG). O modelo proposto permite representar as redes de colaboração científica incluindo atributos individuais dos pesquisadores e atributos dos trabalhos colaborativos de pares de pesquisadores. Os dados correspondem às produções científicas de pesquisadores cadastrados na plataforma Lattes e extraídas automaticamente usando a ferramenta scriptLattes. Na primeira etapa, foi implementado o cálculo automatizado da taxa de internacionalização de cada pesquisador, a qual mostra a proporção entre o número de publicações internacionais e o número total de publicações. Esta medida junto com a produção científica individual discretizada em diversos grupos fazem parte das informações armazenadas nos vetores de atributos dos vértice dos ARGs. Por outro lado os vetores de atributos das arestas armazenam informações dos trabalhos colaborativos discretizados segundo a classificação da CAPES. Adicionalmente, neste trabalho foram exploradas duas aplicações relacionadas à (i) predição de trabalhos colaborativos futuros e à (ii) influência dos pesquisadores na rede de colaboração. O resultado da predição de vínculos foi usado para determinar a influência dos pesquisadores na redes de colaboração. A influência tem sido explorada com base na variação da predição de ligações com a presença ou a ausência do pesquisador na rede. Nossa proposta foi avaliada considerando diferentes testes sobre redes de coautoria científica de diversos grupos de pesquisadores. Os resultados obtidos são promissores para a análise de redes sociais em geral. / The social network analysis allows the study of how the relationships are established between individuals and how their are evolving with the time. The co-authorship is one of the most studied and documented scientific collaboration. There are some aspects which could be traced in a reliable way through the social network analysis using bibliometric methods. There are several proposals in different research areas trying to analyse, understand, explain and predict the behaviour of systems modeled as social networks. In this study, the individuals are modeled as vertices of a graph, while the relationships between them are represented by edges. Currently the study of scientific collaboration networks is important and necessary to support the strategic planning, implementation and management of scientific research programs. In this work, we present an scientific networks analysis model based on Attributed Relational Graphs (ARG). The proposed model allows to represent the scientific collaboration networks including individual attributes of researchers and attributes of the collaborative work of researchers pairs. The data correspond to the scientific production of researchers, registered in the Lattes Platform and automatically extracted using the tool scriptLattes \\citep{Mena-Chalco:2009}. In the first step, was implemented the automated computation of the internationalization rate for each researcher, that shows the ratio between the number of international publications and the total number of publications. This measure together with the individual scientific production discretized in diverse groups form part of the information stored in the vertices of the ARGs. On the other hand, the edges store information of collaborative work discretized according to the CAPES classification. Additionally, this work explores two related applications (i) prediction of future collaborative work and (ii) influence of researchers in collaboration network. The result of the link prediction was used to determine the influence of researchers in collaborative networks. The influence in collaboration network is computed based on the variation of the link prediction with the presence or absence of the researcher in the network. Our proposal was evaluated with different real scientific co-authorship networks and with different research groups. The results obtained look promising for analyzing social networks in general.

Esta tese de doutorado aborda os tópicos de modelagem e de reconhecimento de objetos estruturados, ou sistemas estruturados de objetos, em imagens. Um objeto ou sistema estruturado é aquele que pode ser descrito através de elementos primitivos que o compõem e pelas relações existentes entre esses elementos. Por exemplo, uma aeronave pode ser descrita pelos seguintes elementos primitivos: asas direita e esquerda, fuselagem e cockpit. O aspecto relacional de um objeto estruturado direciona sua representação computacional e seu reconhecimento em imagens ao paradigma estrutural de reconhecimento de padrões. Contudo, a variabilidade das características dos seus elementos primitivos é melhor representada através do paradigma estatístico de reconhecimento de padrões. Devido à complementaridade dos paradigmas, a conjunção dessas abordagens é um tema de pesquisa de interesse atual. Para conjugar esses dois aspectos, esta tese propôs uma metodologia que combina o conhecimento a priori das relações que caracterizam um objeto estruturado com dados estatísticos coletados de amostras desse objeto, num modelo híbrido denominado grafo estatístico-relacional (GER). Segundo essa representação, foi estudada uma abordagem probabilística para reconhecer um objeto estruturado em imagens. Nesse cenário, o GER modelo é considerado uma variável aleatória, enquanto uma rotulação de uma imagem de entrada é interpretada como uma potencial observação do modelo. A tarefa de reconhecimento foi então formulada como um problema de otimização, que busca maximizar a probabilidade da observação de acordo com o modelo. O método foi aplicado à modelagem de órgãos abdominais em imagens de ressonância magnética não-contrastadas. Esses órgãos apresentam um arranjo espacial consistente em imagens distintas, além de propriedades de aparência e anatômicas variáveis, o que vem ao encontro da proposta da representação por GER e da abordagem probabilística para o reconhecimento dos órgãos em novas imagens. / The purpose of this thesis was to propose a formalism for the problems of modeling and recognition of a structured object, or a system of structured objects, in images. A structured object is one that may be described in terms of its compound primitive elements and their inherent relations. For instance, an aircraft may be described in terms of the following primitives: right and left wings, fuselage, and cockpit. The relational aspect of structured objects leads these problems to solutions in structural pattern recognition, which describes patterns as primitives and relations. Nevertheless, the variability of primitive elements and of their relations is better modeled by traditional statistical pattern recognition methods. Because of the complementary capabilities of these approaches, the fusion of both has recently been pointed out as a trend in computer vision. To consider these sources of information, the methodology presented herein combines relational cues inherent to a structured object with statistical information learned from a set of object samples. A hybrid model of a structured object is represented by means of a statistical relational graph (SRG). The SRG is a prototype attributed relational graph (ARG) in which nodes represent primitive elements and arcs link nodes representing related primitives. Each node or arc is associated with attributes which are parameters of probability distributions that describe random variables representing primitive or relational attributes. Based on this representation, a probabilistic approach was proposed to tackle the problem of recognizing a structured object in an input image. The model SRG is interpreted as a random variable, whereas a labeling of the input image is considered a potential observation of the model. The recognition task was formulated as the optimization of an objective-function that is actually a probability measure to be maximized. The proposed approach was applied to the modeling of abdominal organs in non-contrasted magnetic resonance images. These organs present consistent spatial arrangement in distinct images, as well as varying appearance and anatomical properties, which meet the principle of the SRG representation and the associated probabilistic recognition scenario.